这本教科书在机器学习的背景下介绍线性代数和优化。书中提供了例子和练习。每个章节末尾的练习解决方案手册可供教学指导老师使用。本教材针对计算机科学、数学和数据科学领域的研究生和教授。高级本科生也可以使用本教材。本书各章节的组织方式如下:

1. 线性代数及其应用:章节集中在线性代数的基础以及它们在奇异值分解、矩阵分解、相似矩阵(核方法)和图分析方面的常见应用。大量的机器学习应用已经被用作例子,如光谱聚类、基于核的分类和异常值检测。紧密整合的线性代数方法与例子,从机器学习区分这本书从线性代数的一般卷。重点显然是机器学习线性代数最相关的方面,并教读者如何应用这些概念。

2. 优化及其应用:机器学习的大部分内容都是优化问题,其中我们试图最大化回归和分类模型的准确性。以优化为中心的机器学习的“父问题”是最小二乘回归。有趣的是,这个问题在线性代数和优化中都有出现,是连接这两个领域的关键问题之一。最小二乘回归也是支持向量机、逻辑回归和推荐系统的起点。此外,降维和矩阵分解的方法也需要优化方法的发展。在计算图中讨论了优化的一般观点,以及它在神经网络中的反向传播的应用。

机器学习初学者经常面临的一个挑战是线性代数和优化所需的广泛背景。一个问题是,现有的线性代数和优化课程并不是针对机器学习的;因此,一个人通常需要完成比机器学习所需的更多的课程材料。此外,优化和线性代数的某些类型的思想和技巧在机器学习中出现的频率比其他以应用程序为中心的设置更高。因此,发展一种更适合机器学习的特定视角的线性代数和优化的观点具有重要的价值。

成为VIP会员查看完整内容
82

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
专知会员服务
132+阅读 · 2021年10月8日
【经典书】线性代数与应用,698页pdf
专知会员服务
53+阅读 · 2021年9月27日
专知会员服务
103+阅读 · 2021年8月12日
【干货书】线性代数及其应用,688页pdf
专知会员服务
70+阅读 · 2021年6月10日
【干货书】机器学习Primer,122页pdf
专知会员服务
81+阅读 · 2020年10月5日
【干货书】《机器学习导论(第二版)》,348页pdf
专知会员服务
200+阅读 · 2020年6月16日
【干货】​深度学习中的线性代数
专知
16+阅读 · 2018年3月30日
国家自然科学基金
1+阅读 · 2018年6月30日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
14+阅读 · 2018年8月30日
Arxiv
19+阅读 · 2018年8月19日
Arxiv
10+阅读 · 2018年5月13日
VIP会员
相关VIP内容
专知会员服务
132+阅读 · 2021年10月8日
【经典书】线性代数与应用,698页pdf
专知会员服务
53+阅读 · 2021年9月27日
专知会员服务
103+阅读 · 2021年8月12日
【干货书】线性代数及其应用,688页pdf
专知会员服务
70+阅读 · 2021年6月10日
【干货书】机器学习Primer,122页pdf
专知会员服务
81+阅读 · 2020年10月5日
【干货书】《机器学习导论(第二版)》,348页pdf
专知会员服务
200+阅读 · 2020年6月16日
相关基金
国家自然科学基金
1+阅读 · 2018年6月30日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员